Araştırma Makalesi


DOI :10.26650/acin.1008075   IUP :10.26650/acin.1008075    Tam Metin (PDF)

Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini

Ezgi Çakmakİhsan Hakan Selvi

Protein, canlı organizmaların biyolojik süreçlerinde çok önemli bir role sahiptir. Proteinin işlevini bilmek, biyoloji ve tıp alanında gelecekteki çalışmalara büyük katkı sağlar. Proteinin fonksiyonunu anlamak için üç boyutlu yapısını anlamak önemlidir. Protein yapısını çözümlemek için X-ışını kristalografisi ve NMR gibi deneysel yöntemler kullanılmasına rağmen, sonuçların yetersiz olduğu kanıtlanmıştır. Bu nedenle, proteinlerin üç boyutlu yapısının tahmini, süreçlerdeki en önemli konulardan biri haline gelmektedir. Birincil yapı olarak bilinen amino asit dizisinden proteinin üç boyutlu şeklinin belirlenmesi zorlu olarak tanımlandığından, ikincil yapının tahmin edilmesi bu konuda önemli bir rol oynamaktadır. Literatürde protein ikincil yapısını tahmin etmek için makine öğrenmesi ve son zamanlarda derin öğrenme gibi birçok yöntem kullanılmıştır. Bu makale, yaygın olarak uygulanan dört derin öğrenme yöntemi olan CNN, RNN, LSTM ve GRU kullanılarak geliştirilen modellerin performanslarının bir karşılaştırmasını sağlamayı amaçlamaktadır. Bu modellerin eğitimi ve test edilmesi amacıyla CB513 veri seti kullanılmış, buna ek olarak doğruluk, f1 skoru, doğruluk ve kesinlik gibi performans değerlendirme ölçütleri uygulanmıştır. CNN, RNN, LSTM ve GRU modellerinin doğruluk oranları sırasıyla %82,54, %82,06, %81,1 ve %81,48’dir.

Anahtar Kelimeler: Protein İkincil Yapı TahminiCNNRNNGRU
DOI :10.26650/acin.1008075   IUP :10.26650/acin.1008075    Tam Metin (PDF)

Using Deep Learning (CNN, RNN, LSTM, GRU) methods for the prediction of Protein Secondary Structure

Ezgi Çakmakİhsan Hakan Selvi

Proteins play a crucial function in the biological processes of living organisms. Knowing the function of the protein offers significant insight into future biological and medical research. Since a protein’s shape determines its function, it is important to understand the protein’s 3D structure. Although experimental methods such as X-ray crystallography and nuclear magnetic resonance (NMR) have been used to examine the shape of proteins, so far the results have been insufficient. As a result, predicting the 3D structure of proteins is crucial. Determining the 3D structure of a protein from its primary structure is challenging. Therefore, predicting the protein secondary structure becomes important for studying its structure and function. Many emerging methods, including machine learning, as well as deep learning, have been used to predict the secondary structure of proteins and comprise a crucial part of Structural Bioinformatics. The goal of this study is to compare the results generated by predictive models that were created using the four most frequently utilized deep learning methods: convolutional neural networks (CNN), recurrent neural networks (RNN), long short term memory networks (LSTM), and gated recurrent units (GRU). The CB513 dataset was used to train and test these models, and performance evaluation metrics viz. accuracy, f1 score, recall, and precision were applied. The CNN, RNN, LSTM, and GRU models had an accuracy of 82.54%, 82.06%, 81.1%, and 81.48%, respectively.


PDF Görünüm

Referanslar

Atıflar

Biçimlendirilmiş bir atıfı kopyalayıp yapıştırın veya seçtiğiniz biçimde dışa aktarmak için seçeneklerden birini kullanın


DIŞA AKTAR



APA

Çakmak, E., & Selvi, İ.H. (2022). Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini. Acta Infologica, 6(1), 43-52. https://doi.org/10.26650/acin.1008075


AMA

Çakmak E, Selvi İ H. Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini. Acta Infologica. 2022;6(1):43-52. https://doi.org/10.26650/acin.1008075


ABNT

Çakmak, E.; Selvi, İ.H. Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini. Acta Infologica, [Publisher Location], v. 6, n. 1, p. 43-52, 2022.


Chicago: Author-Date Style

Çakmak, Ezgi, and İhsan Hakan Selvi. 2022. “Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini.” Acta Infologica 6, no. 1: 43-52. https://doi.org/10.26650/acin.1008075


Chicago: Humanities Style

Çakmak, Ezgi, and İhsan Hakan Selvi. Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini.” Acta Infologica 6, no. 1 (Mar. 2024): 43-52. https://doi.org/10.26650/acin.1008075


Harvard: Australian Style

Çakmak, E & Selvi, İH 2022, 'Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini', Acta Infologica, vol. 6, no. 1, pp. 43-52, viewed 29 Mar. 2024, https://doi.org/10.26650/acin.1008075


Harvard: Author-Date Style

Çakmak, E. and Selvi, İ.H. (2022) ‘Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini’, Acta Infologica, 6(1), pp. 43-52. https://doi.org/10.26650/acin.1008075 (29 Mar. 2024).


MLA

Çakmak, Ezgi, and İhsan Hakan Selvi. Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini.” Acta Infologica, vol. 6, no. 1, 2022, pp. 43-52. [Database Container], https://doi.org/10.26650/acin.1008075


Vancouver

Çakmak E, Selvi İH. Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini. Acta Infologica [Internet]. 29 Mar. 2024 [cited 29 Mar. 2024];6(1):43-52. Available from: https://doi.org/10.26650/acin.1008075 doi: 10.26650/acin.1008075


ISNAD

Çakmak, Ezgi - Selvi, İhsanHakan. Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini”. Acta Infologica 6/1 (Mar. 2024): 43-52. https://doi.org/10.26650/acin.1008075



ZAMAN ÇİZELGESİ


Gönderim11.10.2021
Kabul14.03.2022
Çevrimiçi Yayınlanma28.04.2022

LİSANS


Attribution-NonCommercial (CC BY-NC)

This license lets others remix, tweak, and build upon your work non-commercially, and although their new works must also acknowledge you and be non-commercial, they don’t have to license their derivative works on the same terms.


PAYLAŞ




İstanbul Üniversitesi Yayınları, uluslararası yayıncılık standartları ve etiğine uygun olarak, yüksek kalitede bilimsel dergi ve kitapların yayınlanmasıyla giderek artan bilimsel bilginin yayılmasına katkıda bulunmayı amaçlamaktadır. İstanbul Üniversitesi Yayınları açık erişimli, ticari olmayan, bilimsel yayıncılığı takip etmektedir.